基于双树复小波和AR谱的滚动轴承故障诊断

针对滚动轴承信号的非平稳特性、小波变换频率混叠及信息丢失等问题,提出一种结合频率分离与功率谱的滚动轴承故障诊断方法。首先,双树复小波变换(DTCWT)对振动信号进行分解,依据幅频特性对子频段个数进行优化,实现信号频率的精准分离;其次,利用自回归(AR)功率谱得到不同子频段功率,将总功率作为特征输入遗传算法优化的支持向量机(GA-SVM)进行故障诊断。通过实验,复合轴承故障的总体识别率达到96%,其中3种外圈故障识别率达到100%,其结果表明所提方法能够准确提取故障特征并准确识别复合轴承故障。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。     

改进的希尔伯特-黄变换(HHT)在多模式Lamb波检测中的应用

Lamb波的主要特点在于它的多模式和频散,在任一给定的激发频率下,至少存在两种Lamb波模式。各模式的频散特性使Lamb波检测变得非常复杂,所以,Lamb波检测的关键在于缺陷信号特征参数的提取和精确的信号解释。首先采用HHT直接对多模式Lamb波检测信号进行了分析,通过分析,得出了直接对多模式Lamb波信号进行EMD分解来得到信号的瞬时频率和瞬时幅值的方法是不适合的结论。采用改进后的HHT方法进行分析,有效消除了噪声干扰和各模式Lamb波的相互干扰,得到的信号时频集聚性较好,有利于特征参数的提取和进一步分析。针对不同大小和深度的孔型人工缺陷的检测试验,分别提取了信号瞬时幅值的峰值和瞬时频率的均值作为检测信号的特征参数进行线性回归分析,发现采用瞬时幅值的峰值作为孔型缺陷检测的特征参数比采用瞬时频率的均值这一参数要好。同时提出可采用瞬时幅值的峰值回归直线的斜率K来标定特征参数对缺陷孔径变化的敏感性,从而可对未知缺陷的大小进行预判。     

快速路径优化引导ACMD的变转速轴承故障诊断北大核心

针对变转速工况下滚动轴承故障特征识别困难的问题,提出了一种快速路径优化算法(FPO)引导自适应线性调频模态分解(ACMD)的变转速轴承故障诊断方法。首先,对轴承故障信号进行希尔伯特变换解调提取隐藏在高频信号中的故障信息;其次,采用FPO算法从信号的时频分布中对信号分量的瞬时频率进行初始估计;将预估的各分量初始频率作为ACMD的初始参数对原始包络信号进行分解;最后,根据分解得到各个信号分量的瞬时频率和瞬时幅值等信息构建出高分辨率的时频表示。通过分析实测信号表明,所述方法能够展示出各个信号分量的幅值和频率变化趋势,剔除了无关成分的干扰,清晰地演示变转速工况下轴承故障信号的时变特征。     

基于优化RBF神经网络挤出机温度压力系统辨识

为了精确在线辨识橡胶复合挤出机控制过程中主要干扰变量与内部耦合关系,更好地实现对挤出机温度压力耦合系统的精准控制,采用RBF神经网络进行系统辨识研究,同时结合PSO算法引入GA算法中编码、杂交、交叉、变异等概念,设计了混合型PSO算法进一步优化RBF神经网络,完成对温度压力耦合系统的精准在线辨识。借助MATLAB软件进行神经网络训练,辨识系统耦合关系,同时与混合型PSO算法优化神经网络权值所辨识的效果进行对比。试验结果表明:采用混合型PSO算法优化RBF神经网络训练效果更佳,可以实现RBF神经网络高精度系统辨识;混合型PSO算法优化RBF神经网络应用于挤出机温度压力控制系统辨识,可以在一定程度上提升系统的辨识精度以及挤出机械的智能化水平。     

基于声发射技术的PDC复合片性能的分析

PDC钻头在钻进过程中出现崩齿、掉片以及聚晶金刚石(PDC)层脱落是影响钻头工作的关键因素。使用声发射仪采集了PDC复合片在加载过程中的声发射信号,并且采用小波分析方法对PDC的声发射信号进行了时频分解。结果表明,通过时频分解可以得到PDC复合片的AE特征信号;PDC复合片中弹性变形的信号频率集中出现在低频信号中,且AE信号的幅度与载荷大小呈正相关;高频信号中的突发型信号可以反映PDC层在载荷作用下的损伤情况。     

基于间歇混沌的微弱信号特征检测方法

通过对Duffing振子的间歇混沌运动的分析,发现其相变对与参考信号频差较小的周期弱信号具有敏感性,对白噪声和与参考信号频差较大的周期干扰信号具有免疫力.在此基础上提出了一种检测方法,实现了在强噪声环境下对周期弱信号的频率和幅值的检测,具有很好的信噪比,并将其运用于超声波弱信号检测上,取得了良好的检测结果.     

基于改进EWT-SVD的轴承故障特征提取

文章针对轴承早期故障特征的提取,提出了基于改进EWT-SVD的算法。首先,改进的经验小波(EWT)提出了模态分解数量确定的思路,自适应地将预处理信号分解到合适数量的模态分量,通过相关度系数验证了分解模态的信号有效性;其次,通过计算各分量的峭度值确定最优的特征提取模态分量,并通过变阈值奇异值分解(SVD)对模态信号进行去噪;最后,通过对重构特征信号进行Hilbert变换包络处理提取振动信号频率特征。实验证明了文章算法的可行性,同时,算法还具有计算速度快、以数据为主要驱动的特点。     

基于Zynq的多通道涡流无损检测系统

针对金属试件表面缺陷的检测,设计了一套金属表面缺陷检测系统。该系统通过AD 9767芯片利用DDS(直接数字式频率合成器)算法输出幅值和频率可控的正弦信号给激励线圈,激励线圈中的高频激励信号可以使感应线圈激发出同频率的感应信号,通过AD 9240芯片采集激励和感应线圈的电压信号并送到FPGA(现场可编程逻辑门阵列)部分,再利用数字相敏检波算法分解获得的感应电压以得到实部和虚部,进而得到感应线圈的有效复阻抗。利用MAX 4656和ADG 408芯片模拟开关分别控制激励通道和数模采集通道的开关,以扩大通道数,通过试验验证硬件和算法的可行性。结果表明,此系统可以产生幅度和频率可控的正弦激励信号,并可对输入通道的感应信号进行阻抗分解,得到感应信号的幅值、相位、实部和虚部。     

基于Cubic Hermite的改进EMD算法

传统经验模态分解（EMD）算法求取IMF分量是依据信号极值点通过三次样条插值拟合上下包络线,然后求其局部均值,存在端点效应问题,严重影响部分特征信号的提取。针对此类问题,提出一种利用Cubic Hermite插值改进EMD过程的方法,并通过LabVIEW平台实现改进后的经验模态分解。采用频率和幅值不同的2种叠加正弦信号进行算法验证,结果表明：该算法能有效缓解包络线过冲、欠冲现象,抑制低频信号的端点效应和端点附近局部失真问题。     

考虑电磁机械耦合效应的电磁超声数值模拟方法

提出了考虑速度效应电磁机械耦合的电磁超声数值模拟方法,并开发了相应的程序。该方法在控制方程中导入了速度诱发电场项,并采用退化向量位法(Ar)进行涡流场数值模拟和采用有限元及逐步积分方法进行超声波计算。数值模拟所得EMAT信号和超声波传播过程均证实了本方法和程序的有效性。为了确定耦合效应的影响,对考虑耦合和忽略耦合两种情况分别在不同条件下进行了数值模拟。通过比较振动幅值和洛伦兹力的模拟结果,证实耦合效应对EMAT数值模拟结果影响并不显著。     

Estimation of porosity content of composite materials by applying discrete wavelet transform to ultrasonic backscattered signal

As the use of composite materials in the aerospace industry increases, the development of advanced nondestructive evaluation (NDE) techniques for composite materials is in demand. Ultrasonic quantitative NDE technique for composite materials may provide good information on manufacturing quality, material strength and perhaps useful lifetime. It is well known that the effects of porosity in composite laminates on ultrasonic attenuation and velocity can be used in gauging the porosity content in composites, but back surface echoes may be absent or unusable due to complex geometry and bonding effects. In such cases the backscattered signals may be processed to extract porosity information. Measuring the porosity content in composite material by ultrasonic backscattering signal is a significant challenging problem in NDE of composite material. Backscattering signals are random and sensitive to volume fraction of pore and thickness of ply in composite material. Therefore the backscattering signal has various frequency bands and hence a signal decomposition method is required to analyze the ultrasonic backscattering signals. In this study, the discrete wavelet transform (DWT) using a MATLAB decomposition algorithm was applied to ultrasonic backscattered signals acquired in various porous composite laminates containing a porosity content that ranges from 0.01 to 11.90%. The ultrasonic backscattered signals were decomposed into two parts: the high frequency components called “Details” and the low frequency components called “Approximation”. And then, the correlation analysis was performed between the porosity content and the peak amplitude and magnitude of peak frequency of the decomposed signal. Overall, the correlation was reasonably good. As a conclusion, the DWT technique showed good benefits for analyzing the porosity content in composites using ultrasonic backscattered signal from composite materials.     

L-M优化算法BP网络在刀具磨损量预测中的应用

在线刀具磨损量估算及其未来发展趋势预测对于指导现实生产有着十分重要的意义.提出基于L-M优化算法BP神经网络的刀具磨损量在线预测方法.对声发射信号进行小波包分解,得到32个不同频带内的信号,用于构造初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,计算奇异谱,将奇异谱做为刀具磨损的特征向量,利用神经网络在线预测刀具磨损量.试验结果表明:预测结果能准确地跟踪实际的刀具磨损曲线,并且L-M优化算法比其他改进算法迭代次数少,收敛速度快,精确度高.     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于多元变模式分解的机械设备故障诊断方法

机械设备在运行时，其振动信号往往表现为非平稳信号。传统的时频分析方法在处理含有强噪声和强调制的非平稳信号时，常表现出降噪效果不明显、不能准确提取故障特征频率等缺陷。为此，提出一种基于多元变模式分解的机械设备故障诊断方法。通过建立约束变分模型表达式，将多个信号在相同的频率尺度分解为相同数量的固有模态函数（IMF）之和，每一个IMF都是一个调频调幅信号。为验证所提方法的有效性，将所提方法应用于多传感器采集的轴承故障信号分析。结果表明：所提方法对复杂环境下机械设备振动信号的降噪和故障特征提取效果较好，验证了其可靠性。     

声-固耦合模型下自适应高维特征焊缝缺陷超声检测

针对焊缝缺陷种类识别精度有待提高的问题,提出了一种将随机森林与变分模态分解相结合的算法,以结合二者的自适应特征提取能力及对于高维特征的强适应特性。利用多物理场仿真软件建立含缺陷焊缝的声-固耦合模型,进行超声波无损检测仿真,得到含缺陷超声回波信号。利用变分模态分解求出其各IMF能量分布系数,并以其作为特征向量建立随机森林模型,进行焊缝缺陷识别。结果表明,利用该方法提取的缺陷回波信号特征能有效表征焊缝缺陷,以其建立随机森林模型可以对其进行准确识别。     

基于感兴趣区域和小波变换的图像融合算法

为了提高图像融合效率,保持良好的边缘支持度,以便更好完成图像重构,提出了基于小波变换的图像融合算法。利用小波变换对信号多方向特征提取的优势,将多维图像信号分析化繁为简,在融合规则制定中,权衡图像融合的清晰度和融合算法复杂度,对图像信号低频信号和高频信号分开处理,低频进行加权平均,而高频进行局部方差处理,最后进行小波逆变换得到重构图像。实验证明,该方法重构图像效果清晰,且信噪比高。